随着社会经济和移动互联技术的发展,网上购物在如今的社会生活中已经非常普遍。随之而来各大社会化商务平台的竞争也越来越激烈,为了吸引更多用户的关注和购买商品,社会化商务平台的众多商户会在如“双十一”、“618”等特定日期举行大规模促销活动。然而在促销期间获得的新用户大多只购买一次商品,在促销活动结束后并不会在该商户重复购买商品,不能为商户带来长期回报。因此利用促销活动所获得用户历史行为数据构建模型,预测促销活动结束后用户的重复购买行为,是商户开展精准营销、提升投资回报率的有效手段。本文提出一种采用FCV-Stacking方法融合Deep Cat Boost、Deep GBM、DABi GRU和BERT-MLP四种个体模型的集成预测模型。首先对原始数据进行预处理,采用“分段欠采样”方法获得均衡的数据样本。然后分析用户重复购买行为的影响因素并构建相关特征。最后依次构建Deep Cat Boost、Deep GBM、DABi GRU和BERT-MLP四种个体模型,采用FCV-Stacking方法融合四种个体模型构建集成预测模型。在阿里巴巴真实数据集的实验结果表明FCV-Stacking集成预测模型的准确性和稳定性比基线模型更好。本文主要研究内容如下:1)问题定义与数据预处理。首先定义用户重复购买行为的研究问题;然后采用最可能填充法处理数据集中存在的缺失值和异常值;最后针对数据集中存在的样本均衡问题,提出一种“分段欠采样”的样本均衡方法。2)数据分析与特征构建。首先采用Python可视化分析社会化商务中用户重复购买行为的影响因素;然后从用户、商户、用户与商户交互和隐藏特征四个视角构建了18个类别的特征;最后分别采用Min-Max方法和XGBSFS方法进行特征归一化和特征选择。3)模型构建与评估。首先提出Deep Cat Boost、DABi GRU和BERT-MLP三种用户重复购买行为个体预测模型,应用Deep GBM模型构建用户重复购买行为个体预测模型;然后提出一种基于FCV-Stacking集成学习融合方法的用户重复购买行为集成预测模型,该模型能够整合四种个体模型的各自优势,协同预测用户重复购买行为,预测结果更加准确、稳定。